글로벌 컨설팅 기업 캡제미니(Capgemini)가 발표한 리포트에 따르면, 생성형 AI가 반도체 소재 발견과 개발에 혁신을 가져오고 있다. 60년간 반도체 업계를 지배해온 실리콘 중심 체계에 변화가 일어나고 있으며, AI 기반 '역설계' 기법을 통해 새로운 반도체 소재를 더 효율적으로 찾아낼 수 있게 되었다.

실리콘 외 새로운 소재들이 주목받는 이유

전통적으로 반도체는 주로 게르마늄, 실리콘, 갈륨비소(GaAs) 세 가지 소재로 만들어졌다. 하지만 최근 새로운 소재들이 주목받고 있다.

게르마늄은 1886년에 발견된 '원조 반도체'로 불렸지만, 실리콘이 더 풍부하고 비용 효율적이어서 밀려났었다. 하지만 최근 소재 과학자들이 게르마늄을 트랜지스터 기술에 다시 활용하려고 시도하고 있다. 데이터에 따르면 게르마늄에서는 전자가 실리콘보다 3배 빠르게 움직여 속도 향상 기회를 제공한다.

갈륨나이트라이드(GaN)는 차세대 전력 반도체 소재로 떠오르고 있다. 전기 그리드 시스템에서 더 빠르고 효율적인 전력 변환을 제공하며, 우수한 열성능, 높은 효율성, 무게와 크기 감소라는 장점이 있다. GaN 고전자 이동도 트랜지스터(HEMTs)는 2005년부터 상용화되었고, 많은 회사가 더 폭넓은 응용을 위해 GaN 기반 기술을 개발하고 있다.

실리콘카바이드(SiC)는 기존 실리콘과 비교되지만 전력 전자 분야에서 우수한 성능을 보인다. 높은 절연파괴 전압, 낮은 에너지 손실, 고주파 스위칭 능력, 높은 온도에서의 작동이 가능하다는 장점이 있다. 현재 SiC는 50A 이상의 매우 높은 전류와 1,700V를 초과하는 전압이 필요한 시장에 진입하고 있으며, 10kV를 넘는 전압까지 지원할 가능성이 있다.

'궁극 소재' 다이아몬드 vs '강철 200배' 그래핀, 기술적 장벽 여전

다이아몬드는 전력 반도체 부품의 '궁극적 소재'로 불리며 GaN과 함께 넓은 밴드갭 소재로 언급된다. 가장 높은 절연파괴 강도와 뛰어난 열 전도성을 자랑한다. 하지만 넓은 밴드갭은 적절한 도핑 물질을 찾는 데 어려움을 주고, 비효율적인 n형 도핑, 전도성 표면 채널 형성의 어려움, 옴 접촉 생성의 문제 등 추가적인 기술적 장벽들이 있다.

그래핀은 뛰어난 강도, 유연성, 전도성 덕분에 전자 분야에서 실리콘을 대체할 강력한 후보로 떠오르고 있다. 강철보다 약 200배 강하고 알루미늄보다 훨씬 가벼워 에너지, 건설, 의료, 기술 등 다양한 산업에 이상적이다. 그래핀의 높은 전도성은 배터리 수명을 10배 연장시킬 수 있고 훨씬 빠른 충전을 가능하게 해 리튬 기반 배터리를 대체할 잠재력이 있다. 또한 투명하고 초박형이며 빛의 2%만 흡수하는 특성으로 휴대폰, TV, 자동차의 휘어지는 화면에 적합하다.

의약품 개발 성공 모델 차용... AI '역설계'로 소재 탐색 혁신

생성형 AI는 자동차, 항공우주, 국방, 의료, 전자, 에너지 산업에 영향을 미치며 특정 물리적 성질을 목표로 하는 완전히 새로운 소재를 만들어내고 있다. 이 과정을 '역설계'라고 하는데, 필요한 성질을 정의하고 그런 성질을 가질 가능성이 높은 소재를 발견하는 것으로, 우연에 의존해 적절한 소재를 찾는 것보다 훨씬 효율적이다.

의약품 산업에서도 비슷한 사례를 볼 수 있다. 생성형 AI가 약물 연구를 빠르게 변화시키며 약물 발견과 개발 과정의 다양한 단계를 가속화하고 개선하고 있다. AI 모델은 방대한 데이터셋을 분석하고, 분자 특성을 예측하고, 새로운 약물 표적을 식별하고, 심지어 새로운 약물 후보를 생성하여 새로운 치료법 개발을 가속화하고 시간과 자원을 절약할 수 있다.

반도체 소재 연구에서도 연구자들이 생성 모델을 활용해 질소-갈륨(N-Ga), 실리콘-게르마늄(Si-Ge), 바나듐-비스무트-산소(V-Bi-O)의 특성을 탐구하고 있다. AI는 더 나은 전도성, 열 안정성, 게이트 크기, 누설 전류, 또는 생체공학 기반 칩 설계를 위한 생체적합성을 가진 새로운 분자나 화합물을 설계하는 데 사용될 수 있다.

강화학습 프레임워크 필수... '계산 예측과 실제 성능' 격차 과제

생성형 AI가 새로운 분자를 제안할 수는 있지만, 일반적으로 혼자서는 최적화 작업을 수행할 수 없다. 효과적인 최적화에는 강화학습 프레임워크 같은 추가 메커니즘이 필요하다. 이러한 프레임워크는 AI가 생성한 솔루션을 평가하고 개선하여 실제 개선을 나타내는지 판단하는 데 필수적이다.

새로운 소재의 궁극적인 시험대는 실제 응용에서의 성능이다. 계산적 예측과 실용적 구현 사이의 격차를 줄이기 위해서는 효율적인 실험 검증 과정이 필요하다.

반도체 소재 개발에 AI 도입은 정말 혁신인가?

생성형 AI의 반도체 소재 개발 도입은 업계에 전환점이 될 수 있다. 기존에는 수십 년간 축적된 경험과 직관에 의존해 소재를 개발했다면, 이제는 AI가 수많은 조합을 체계적으로 탐색할 수 있게 되었기 때문이다. 이 변화의 핵심은 '실패 비용의 극적 감소'다. 기존 방식에서는 하나의 소재 후보를 검증하는 데 수개월에서 수년이 걸렸지만, AI는 수천 개의 후보를 컴퓨터상에서 미리 걸러낼 수 있다. 결과적으로 실제 실험실에서 테스트할 가치가 있는 후보만 선별되어 R&D 효율성이 대폭 향상될 것이다.

더 흥미로운 점은 '예상치 못한 조합'의 발견 가능성이다. 인간 연구자라면 시도하지 않았을 원소 조합이나 구조를 AI가 제안할 수 있다. 원문에서 언급된 바나듐-비스무트-산소(V-Bi-O) 조합이 대표적 사례다. 이런 비직관적 조합에서 혁신적 성능이 나올 가능성이 있다. 다만 이 기술이 성숙하려면 시간이 필요하다. 원문에서 지적했듯이 강화학습 프레임워크 같은 보완 기술이 뒷받침되어야 하고, 무엇보다 AI가 제안한 소재의 실제 성능 검증이라는 물리적 한계는 여전히 남아있다.

결국 향후 5-10년간은 기존 소재 개발 방식과 AI 기반 방식이 병행되면서, AI의 제안을 빠르게 검증할 수 있는 실험 인프라를 갖춘 기업들이 경쟁 우위를 차지할 것으로 예상된다.

FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.)

Q: AI가 반도체 소재 개발에 어떤 도움을 주나요?

A: AI는 역설계 기법을 통해 원하는 성질을 가진 소재를 효율적으로 찾아주고, 기존 소재의 성능을 향상시키는 방법을 제안합니다. 이를 통해 우연에 의존하던 기존 방식보다 훨씬 체계적으로 소재를 개발할 수 있습니다.

Q: 실리콘을 대체할 새로운 소재는 언제쯤 널리 쓰일까요?

A: GaN과 SiC는 이미 특정 분야에서 사용되고 있습니다. 그래핀과 다이아몬드는 아직 기술적으로 해결해야 할 문제들이 있어서 더 많은 연구가 필요한 상황입니다.

Q: 무어의 법칙이 한계에 도달했다는 것은 무엇을 뜻하나요?

A: 무어의 법칙은 반도체 성능이 일정한 속도로 향상된다는 예측인데, 실리콘과 게르마늄의 물리 법칙상 한계에 부딪히고 있습니다. 새로운 소재 개발이 이 한계를 극복할 열쇠로 여겨집니다.

해당 기사에 인용된 리포트 원문은 캡제미니에서 확인 가능하다.

리포트 명: What to expect: AI-led discovery and development of the next generation of semiconductors

이미지 출처: 캡제미니

해당 기사는 챗GPT와 클로드를 활용해 작성되었습니다.